Slučajna Projekcija
Random projection smanjuje dimenzionalnost množenjem podataka sa slučajnom matricom, oslanjajući se na lemu Johnson-Lindenstrauss (1984), koja garantuje da projektovanje na dovoljno slučajnih pravaca približno očuvava sve parne rastojanja. Za razliku od PCA, ona uopšte ne analizira podatke — projekcija je slučajna i ne zavisi od podataka — što je čini izuzetno jeftinom i dobro prilagođenom za podatke veoma visoke dimenzionalnosti i za postavke striminga ili osetljive na privatnost.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Johnson, W. B., & Lindenstrauss, J. (1984). Extensions of Lipschitz mappings into a Hilbert space. Contemporary Mathematics, 26, 189–206. DOI: 10.1090/conm/026/737400 ↗
- Achlioptas, D. (2003). Database-friendly random projections: Johnson-Lindenstrauss with binary coins. Journal of Computer and System Sciences, 66(4), 671–687. DOI: 10.1016/S0022-0000(03)00025-4 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/sr/machine-learning/random-projection
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Lokalno linearno ugrađivanje (LLE)Mašinsko učenje↔ compare
- Завршетак матрицеMašinsko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →